Reconocer las expresiones faciales es un desafío importante y será necesario en los últimos campos de investigación como el Internet Industrial de las Cosas. Actualmente, los métodos disponibles son útiles para detectar imágenes faciales singulares, pero son muy difíciles de extraer. El objetivo principal de la detección facial es capturar una imagen en tiempo real y buscar la imagen en el conjunto de datos disponible. Por lo tanto, utilizando esta característica biométrica, se puede reconocer y verificar la imagen de la persona por sus rasgos faciales. Muchos investigadores han utilizado Análisis de Componentes Principales (PCA), Máquina de Vectores de Soporte (SVM), una combinación de PCA y SVM, PCA con una Red Neuronal Artificial e incluso el tradicional PCA-SVM para mejorar el reconocimiento facial. PCA-SVM es mejor que PCA-ANN ya que PCA-ANN tiene la limitación de un conjunto de datos pequeño. En cuanto a la clasificación y generalización, SVM requiere menos parámetros y genera menos errores de generalización que una ANN. En este documento, proponemos un nuevo marco, llamado FRS-DCT-SVM, que utiliza GA-RBF para la detección facial y optimización y la transformada discreta del coseno (DCT) para extraer características. FRS-DCT-SVM utilizando GA-RBF da mejores resultados en términos de tiempo de agrupamiento. La precisión promedio recibida por FRS-DCT-SVM utilizando GA-RBF es de 98.346, que es mejor que la de PCA-SVM y SVM-DCT (86.668 y 96.098, respectivamente). Además, se realiza una comparación basada en los tiempos de entrenamiento, prueba y clasificación.